搜索结果: 1-15 共查到“计算机科学技术 预测模型”相关记录73条 . 查询时间(0.521 秒)
基于时间序列DMSP/OLS夜间灯光数据的GDP预测模型
DMSP/OLS GDP 长时间序列 空间关系模型
2019/4/18
采用基于不变目标区域法对1992—2013年DMSP夜间灯光数据进行相互校正、饱和校正和影像间的连续性校正,提取出同期中国大陆31个省级行政区夜间灯光强度信息,并与统计GDP数据建立线性、指数、二次项和乘幂回归模型。通过比较预测GDP与统计GDP误差,选出各自的最优拟合模型。结果表明:1)校正解决了DMSP夜间灯光长时间序列影像之间不稳定、不连续的问题;2)校正后的DMSP夜间灯光数据集与GDP强...
一种基于GSA SVM网络安全态势预测模型
网络安全态势预测 支持向量机 引力搜索算法
2019/4/17
针对支持向量机的参数选择问题,结合引力搜索算法(GSA)需要设置的参数少以及全局优化能力强的特点,提出了一种GSA优化SVM参数的网络安全态势预测模型(GSA SVM)。首先把SVM的参数视作在空间中的物体,并将SVM在该参数下预测产生的预测值和实际值之间的均方误差mse作为目标优化函数,然后GSA通过模拟万有引力规律影响下物体的运动规律不断变化参数,最终找到SVM最优参数。最后根据最优参数建立网...
利用财务比率和公司治理指标建构企业信用评级预测模型
信用评级 区别分析 基因类神经网络 公司治理
2018/11/21
如何对企业信用评级加以预测,加入非财务信息的公司治理指标的影响如何,是目前大家所关注的焦点。本研究分别利用传统多变量区别分析法及基因类神经网络建立预测模型,以检验两者中何者具有更高的预测能力。在实证方面,以区别分析法选择关键变量建构模型,加入公司治理指标以提升整个模型的完整性及准确度;以基因算法萃取企业风险等级的重要影响变量时,发现公司治理的确对信评结果有高度贡献。在比较区别分析模型与基因类神经网...
基于BP神经网络的动能杆毁伤指标预测模型
毁伤指数 动能杆 反向传播神经网络 侵彻
2013/11/20
动能杆侵彻靶板的毁伤效果评估是一个复杂的问题。由于动能杆的数量多,侵彻碰撞情况多达上千种,计算费力又耗时。针对这些问〖JP+2〗题,提出了一种评价毁伤效果的数学模型,建立了基于反向传播(back propagation, BP)神经网络的预测模型,给出了隐含层节点数的计算方法,并在网络节点作用函数和随误差的变化动态更改参数方面对BP神经网络进行了改进。最后对仿真结果进行了分析,结果表明,75%的神...
PCR-RBF-SVM预测模型在财政数据中的应用
主成分回归 径向基神经网络 支持向量机 预测
2012/11/12
通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合,提出一种新的预测模型,该模型提高了预测精度,解决了预测方式单一的问题。将新预测模型应用于财政数据预测结果表明,与传统主成分回归和径向基神经网络方法相比,该模型预测效果更好。
基于APSO-WLSSVR的水质预测模型
加权最小二乘支持向量回归机 自适应粒子群优化算法 水质预测 参数优化 集约化水产养殖
2013/12/10
为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regress...
因为基于Web数据挖掘的商品价格预测的准确率都不高,所以为了提高价格预测的准确率,提出了一种基于线性插补与自适应滑动窗口的商品价格预测方法,给出了将线性数据插补方法与自适应滑动窗口结合的商品价格预测模型,并将该商品价格预测模型应用于手机与黄金价格的预测。实验结果表明,该预测模型获得了99%以上的预测准确率,提高了网页商品价格数据抽取的抗噪性能,解决了现有销售商只有历史销售价格数据没有基于多个销售商...
灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型( PSOGMNN)。仿真实验结果表明,...
PCR-RBF-SVM预测模型在财政数据中的应用
主成分回归 径向基神经网络 支持向量机 预测
2012/11/12
通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好。
基于EMD的太阳黑子时间序列组合预测模型
太阳黑子数 经验模态分解方法 自回归滑动平均模型 反向传播
2012/3/1
针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。
背景值优化的GM(1,1)预测模型及应用
背景值 GM(1,1)模型 优化 预测
2012/2/13
针对GM(1,1)模型背景值存在的缺陷,在分析背景值误差产生原因的基础上,提出了新的背景值计算方法。该方法用非齐次指数函数模拟一次累加生成序列,根据原序列与一次累加生成序列的关系重构背景值计算公式,得到实际曲线在区间上的面积作为背景值。利用深圳市2007年10月9日和10日8:00~8:50的交通流数据验证,结果表明,与基于背景值优化的GM(1,1)模型相对比,新构建背景值的GM(1,1)模型的平...